Основные термины ИИ: от А до GPT

Искусственный интеллект стал стандартным инструментом бизнеса, но главный барьер внедрения — не технологии, а терминология. Без четкого понимания базовых понятий невозможно поставить задачу подрядчику, проверить смету или отделить сложную разработку от рядовой интеграции через API.

В этой статье мы пройдем путь от определения ИИ и промптов до инференса, а затем привяжем эти понятия к реальным ролям в команде — чтобы вы точно знали, каких специалистов по ИИ искать на рынке аутстаффа.

Основные термины ИИ

Искусственный интеллект

Искусственный интеллект (Artificial Intelligence, AI) — это любая программа, которая имитирует разумное поведение: распознавание образов, принятие решений, планирование, классификация.

Это может быть как примитивный скрипт-автоответчик, так и полноценный генеративный чат-бот. Пример ИИ — умная сортировка писем в вашей электронной почте и фильтрация спама.

Машинное обучение

Машинное обучение (Machine Learning, ML) — это подход, при котором система сама обучается на маркированных примерах: смотрит, что есть на входе и что должно получиться на выходе.

Алгоритм перебирает внутренние настройки, сравнивая каждый свой ответ с эталоном, и постепенно снижает количество ошибок. В итоге он оказывается способен обрабатывать новые данные по тем же правилам, которые вывел из примеров.

Обученная система не “понимает” причин, она лишь видит, как входные данные влияют на конечные, и её надёжность прямо зависит от качества и репрезентативности обучающей выборки.

Глубокое обучение

Глубокое обучение (Deep Learning, DL) — это машинное обучение с использованием нейросетей из множества уровней. Здесь, в отличие от традиционных методов, где “материалы для обучения” модели готовит человек, алгоритм самостоятельно выделяет их из сырых данных — например, из пикселей на картинке или звуковой волны. Каждый следующий слой оперирует более абстрактными свойствами.

Гайд “Как организовать разработку IT продукта с привлечением внешней команды”

Получить гайд

Метод требует больших объёмов данных для обучения и вычислительных мощностей, но на сложных задачах — распознавание речи и изображений, генерация текста — даёт результаты, недостижимые иными подходами.

LLM

Большая языковая модель (Large Language Model, LLM) — это нейросеть, которая обучена на гигантских объемах текста (Википедия, книги, форумы, блоги, репозитории кода) и умеет предсказывать, какое слово должно идти следующим в предложении. По сути, это продвинутый автоподбор на клавиатуре смартфона. LLM не понимает смысл текста, как человек, но она выучила миллиарды статистических закономерностей.

Токенизация (Tokenization)

Модели понимают не буквы и даже не целые слова, а токены — кусочки слов длиной 3–5 символов. Это сделано для того, чтобы модель могла гибко работать с редкими словами и опечатками. Все провайдеры (OpenAI, DeepSeek, Google) выставляют счета именно за количество токенов, а не за символы.

Например, слово “нейросети” модель разобьет на токены “нейро” + “сети”. Слово “привет” может остаться одним токеном, потому что оно частое. А длинное слово “антропоцентризм” разобьётся на 5–6 токенов

Именно в токенах рассчитываются лимиты модели:

• сколько информации за раз (из запроса) она сможет прочитать;
• сколько информации она может “держать в уме”, прежде чем начнёт “забывать”;
• какой длины и как долго будет генерироваться ответ.

Кстати, английский текст короче по токенам, чем русский, поэтому перевод вашей базы знаний с русского на английский перед отправкой в модель может сэкономить до 30–40% бюджета на API.

Промпт

Промпт — это запрос к модели, текстовая инструкция, которую пользователь отправляет в языковую модель (например, ChatGPT), чтобы получить ответ. Модель не читает промпт как человек — она анализирует токены и предсказывает наиболее вероятный ответ, опираясь на миллиарды примеров из своего обучения.

А инженерия промптов — это искусство формулировать этот запрос так, чтобы получить качественный ответ без переучивания модели: включать в запрос контекст, тон, точные данные, ограничения и основную задачу. Специалисты по написанию качественных запросов в нейросеть называются промпт-инженерами.

Галлюцинации ИИ

Галлюцинации (Hallucinations) — это когда модель выдает ответ, который выглядит абсолютно логично и правдоподобно, но на самом деле является полным вымыслом. Модель не знает, что она врет, потому что она не "думает", а просто предсказывает наиболее вероятные слова. Если у нее нет точных данных по вашему вопросу, она достроит наиболее правдоподобную (с ее точки зрения) последовательность слов.

В некоторых задачах галлюцинации полезны — например, при генерации художественных текстов, идей, названий. Но в рабочих задачах — это риск. Снижением галлюцинаций также занимаются инженеры промптов.

Дрейф данных

Дрейф данных (Data Drift) — это изменение информации со временем. Мир вокруг меняется, и данные, на которых обучалась нейросеть, становятся неактуальными.

Из-за этого искусственный интеллект может совершать ошибки: модель, обученная в 2025 году, не сможет точно рассказать о событиях 2026-го (в лучшем случае, скажет “не знаю”; в худшем — нагаллюционирует).

Как LLM «общается» с внешним миром

Векторные представления (Embeddings) — это способ превратить текст в набор чисел (вектор), который компьютер может математически анализировать. Модель пропускает слово, предложение или целый документ через нейросеть и получает на выходе массив координат.

Генерация с дополнением из поиска (Retrieval-Augmented Generation, RAG) — это архитектурный паттерн, при котором перед тем, как сгенерировать ответ, модель сначала ищет нужную информацию в вашей базе знаний (документы, базы данных, внутренние регламенты), а затем использует найденные фрагменты для генерации финального ответа.

Дообучение ИИ или Тюнинг ИИ (Fine-tuning) — это процесс дополнительного обучения уже готовой модели на вашем уникальном наборе данных, в результате которого изменяются веса (коэффициенты) нейросети. Если RAG — это дать модели шпаргалку, то Fine-tuning — это переучить ее на ваших примерах, чтобы она начала думать в вашем стиле, перенимать логику, тон, структуру ваших данных.

Технические моменты

Чем облачные провайдеры отличаются от Open-Source моделей

Облачные провайдеры ИИ (API) принимают ваш запрос и обрабатывают его собственной моделью на собственных серверах. Это обеспечивает высокое качество без затрат на комплектующие, но вы жертвуете конфиденциальностью. Среди них — ChatGPT, Deepseek, Google.

Open-Source модели разворачиваются на ваших серверах и работают внутри компании. Вы сохраняете контроль и независимость, но нужно будет вложиться в железо и настройку.

Многие крупные компании используют связку: для нечувствительных данных — дешевый и мощный API, для конфиденциальных — локально развернутая открытая модель. Интеграцией с OpenAI API и open-source моделями (LLaMA, Mistral) занимаются NLP-инженеры.

Чем Инференс отличается от Обучения ИИ

Инференс — это когда модель уже обучена и просто отвечает на запросы. Требует в 10–100 раз меньше ресурсов, происходит за 1–10 секунд и стоит копейки.

Обучение (Training) — это когда модель учится на данных. Оно требует гигантских вычислительных мощностей (в разы больше инференса), занимает от часов до месяцев и стоит огромных денег. Обучением ИИ занимаются специалисты по машинному обучению.

Роли разработчиков

Prompt Engineer

Кто это: специалист по "общению" с большими языковыми моделями (LLM).

Что делает инженер промптов:

• Проектирует цепочки промптов для сложных рассуждений.
• Многократно проверяет запросы, отслеживая, как изменения влияют на результат.
• Защищает модель от взлома через промпт-инъекции, снижает галлюцинации.

Machine Learning Engineer

Кто это: специалист, который пишет и обучает нейросети.

Что делает специалист по машинному обучению:

• Строит пайплайны автоматического обучения.
• Разворачивает модели в контейнерах, настраивает высоконагруженный инференс.
• Внедряет мониторинг дрейфа данных с автоматическими алертами.
• Оптимизирует модели для скорости, настраивает A/B-тестирование.

Natural Language Processing Engineer

Кто это: специалист по обработке естественного языка.

Что делает NLP-инженер:

• Разрабатывает и дообучает модели под конкретную отрасль (юридический, медицинский NLP).
• Настраивает RAG-системы (чанкинг, стратегии поиска, промпты с опорой на контекст).
• Разворачивает открытые LLM (LLaMA, Mistral) внутри контура компании.

Отрасли разработки

AI-разработка — это создание нового готового продукта под ключ для конкретной бизнес-задачи. Например, чат-бота для сайта или Telegram, системы распознавания счетов и договоров, корпоративного ассистента для поиска по внутренним документам.

AI-автоматизация — это внедрение ИИ в уже существующие операционные процессы компании, чтобы ускорить их и снизить ручную нагрузку. Например, автоматическая обработка клиентских обращений, автоматическая квалификация лидов, контроль качества звонков (расшифровка и анализ диалогов), быстрый поиск по внутренней базе знаний для сотрудников.

Вместо заключения

Мы прошли путь от базовых понятий до архитектурных решений и профессий. Теперь разница между инференсом и обучением, а также между API и Open-Source стала для вас очевидной.

Если вы чувствуете, что готовы перейти от теории к практике, но не хотите погружаться в управление командой, — IQ DEV предлагает готовые решения под ключ: от AI-автоматизации бизнес-процессов до разработки кастомных AI-продуктов.

Благодарим за внимание. Надеемся, эта статья помогла немного упорядочить хаос терминов и сделать первый шаг к осознанному внедрению ИИ в ваш бизнес.